Comment déployer l'IA dans l'industrie : plan d'action en 5 étapes pour les dirigeants

Le chef de poste d’une usine métallurgique passe 40 minutes chaque matin à remplir son rapport de quart. Il recopie manuellement les indicateurs des équipements dans un modèle Word, décrit les incidents avec ses propres mots, croise les données avec le registre de sécurité. Ce travail existe depuis les années 1970 et n’a pas changé d’une minute. L’IA peut le réduire à dix minutes. La partie difficile n’est pas la technologie. La partie difficile, c’est par où commencer.

Pourquoi l’IA dans l’industrie, ce n’est ni des robots ni de l’IoT

Quand les dirigeants industriels entendent « IA dans l’industrie », leur première pensée va aux lignes automatisées, à la vision par ordinateur pour le contrôle qualité, à la maintenance prédictive des équipements. Tout cela existe et fonctionne, mais nécessite de 6 à 24 mois de déploiement, l’intégration avec des automates programmables, parfois le remplacement de machines et des budgets conséquents.

L’IA générative est une tout autre conversation. Elle travaille avec du texte – et l’industrie croule sous le texte. Rapports de quart. Réclamations fournisseurs. Demandes de réparation. Fiches de défauts. Registres de sécurité. Comptes rendus de réunions. Aucun de ces documents ne pilote un convoyeur directement – mais chacun consomme du temps d’ingénieur ou de responsable, du temps passé à structurer de l’information plutôt qu’à résoudre des problèmes techniques.

Et il y a un point souvent négligé : les modèles actuels ne se limitent pas au texte saisi au clavier. Ils lisent les photographies et les notes manuscrites – un cliché du registre de sécurité papier, une fiche de défauts remplie à la main, les indications d’un ancien instrument analogique. Contrairement aux logiciels OCR classiques qui exigent des gabarits et des zones de reconnaissance bien définies, un modèle multimodal déchiffre même une écriture brouillonne et transfère les données directement dans la structure souhaitée. Pour l’industrie, où des montagnes de papier sont toujours remplies au stylo, cela lève une barrière supplémentaire – et ça vaut la peine d’essayer sur quelques feuilles réelles.

Soulignons-le : le vrai point d’entrée dans le système, dans la plupart des usines, ce n’est pas une note vocale impeccable sur un téléphone, mais un registre de quart écorné, rempli au crayon à la fin de 12 heures de poste. Si vous voulez tester l’idée sur votre propre site en une soirée, faites exactement ceci : photographiez avec votre téléphone une page d’un vrai registre et confiez la photo à ChatGPT ou Claude en lui demandant de la transformer en rapport structuré. C’est le vrai test de viabilité – pas un scénario fictif avec une note dictée.

Et voici ce qu’il faut comprendre sur la nature de cette technologie. Selon McKinsey, environ trois quarts de toute la valeur économique de l’IA générative proviennent du travail avec le texte et les connaissances – service client, marketing et ventes, développement logiciel, R&D. L’industrie en tant que secteur n’est pas en tête de cette liste – précisément parce que l’IA ne commande pas la machine. Mais toute usine possède sa strate de travail textuel, et c’est cette strate qui constitue le point d’entrée.

Dans le réseau des « phares » (Global Lighthouse Network – les usines avancées sélectionnées par le Forum économique mondial et McKinsey), on observe une tendance parlante : chaque nouveau membre du réseau a déjà un pilote d’IA générative en cours – et presque tous se situent là où les données sont le moins structurées. Assistants pour les techniciens, aides-opérateurs, copilotes pour les ingénieurs, génération automatique de PFMEA, prévision des risques fournisseurs. La plupart de ces pilotes se lancent en jours ou semaines, pas en mois. Autrement dit, les usines les plus avancées au monde entrent dans l’IA générative précisément par cette couche de papier – et non par la machine.

L’idée est simple : l’IA prend en charge la couche de papier autour des opérations de production. Elle ne commande pas la machine – mais aide à décrire ce qui s’est passé.

Cela signifie que le seuil d’entrée est considérablement plus bas qu’on ne le pense.

Qui le fait déjà : exemples industriels

Le déploiement de l’IA générative dans l’industrie n’est plus un sujet de laboratoire. Des groupes industriels de premier plan lancent des pilotes concrets – et certains sont déjà passés à l’échelle.

BASF, le géant allemand de la chimie, a déployé un assistant IA interne pour ses ingénieurs de maintenance : le spécialiste décrit les symptômes de l’équipement dans un chat textuel, le système propose des hypothèses de panne et des étapes de réparation. L’objectif est de capitaliser sur les dizaines d’années de documentation technique sans obliger les techniciens à fouiller des bases de données.

Siemens, à travers sa plateforme Xcelerator, intègre l’IA générative dans ses outils de gestion de production. Les fonctionnalités annoncées : analyse automatique de rapports de production et de documentation technique, diagnostic d’écarts et de pannes, recommandations d’optimisation basées sur les données historiques, et assistants textuels et vocaux pour le personnel. L’idée est que l’opérateur puisse interroger les données de l’équipement en langage naturel, sans solliciter le service informatique.

Sachsenmilch en Allemagne – un cas d’échelle remarquable. 4,6 millions de litres de lait par jour, production en 24/7. Le site a abandonné la maintenance selon un calendrier fixe au profit de la maintenance prédictive : le système analyse les vibrations et l’état des composants et prévient les pannes à l’avance. Une pompe remplacée à temps a permis d’économiser des centaines de milliers d’euros.

Ce ne sont pas des pilotes en laboratoire. Ce sont des systèmes opérationnels dans des usines en activité. Et tous ont commencé par une seule tâche simple.

Les entreprises qui ont abordé le déploiement de manière structurée, et non chaotique, obtiennent des résultats fondamentalement différents. Comme le montre l’étude du MIT sur le fossé entre les organisations dans le domaine du GenAI, l’écart entre leaders et retardataires ne se définit ni par le budget ni par les technologies – il se définit par l’existence d’une structure.

Paradoxal, n’est-ce pas ? Les usines dotées de règlements stricts et de normes de sécurité déploient souvent l’IA de manière moins structurée que des startups sans le moindre processus.

Étape 0. Obtenez l’autorisation avant d’ouvrir le navigateur

Cette étape ne figure dans presque aucun article sur l’IA – et c’est précisément elle qui tue le pilote le plus souvent avant même qu’il ne démarre. Dans l’industrie, vous ne pouvez pas simplement ouvrir ChatGPT et y coller un rapport de quart : le réseau interne est surveillé, le site dispose d’un service de sécurité, l’entreprise a un régime de secret commercial, une partie des commandes est soumise à des accords de confidentialité avec les clients.

Ce qu’il faut régler avant l’Étape 1, généralement par un courrier d’une demi-page adressé à la RSSI et au directeur du site :

• Quel outil est utilisé (par exemple, ChatGPT Teams, conformité RGPD, hébergement en Europe).
• Quelles données y transitent – et lesquelles en sont exclues (noms de clients, numéros de commandes confidentielles, savoir-faire de procédés).
• Qui exactement utilise l’outil (un seul chef de poste, nom et prénom) et pour quelle durée (pilote de 4 semaines).
• Qui est responsable en cas de « fuite » depuis l’outil.

Dans la plupart des usines, cette validation prend de trois jours à deux semaines. Si cette étape est omise, le scénario typique se déroule ainsi : à la troisième semaine, le SOC ou le service de sécurité repère le pilote, l’outil est bloqué sur le périmètre, et le responsable du pilote est convoqué « pour une discussion ». Après cela, il n’y a généralement plus de seconde tentative dans l’année.

Il faut aussi vérifier une contrainte pratique à laquelle on pense rarement depuis les bureaux : les téléphones personnels sont-ils autorisés en zone de production ? Dans beaucoup de sites, non. Cela signifie que le beau scénario « j’ai dicté dans mon téléphone en marchant vers le vestiaire » ne fonctionne pas, et le point d’entrée devient soit un terminal partagé dans le bureau du chef d’équipe, soit une photo du registre prise en dehors de l’atelier.

Étape 1. Choisissez une seule tâche dans la « couche de papier »

La règle de la première étape est stricte : une tâche, pas cinq. Les responsables de production pensent souvent à grande échelle – on veut automatiser d’un coup la documentation de sécurité, les demandes d’approvisionnement et les rapports pour la direction. C’est la voie assurée pour que rien ne fonctionne.

Voici des tâches qui fonctionnent bien comme point de départ :

• Rapport de quart – note vocale ou notes brouillons -> document structuré avec des sections par équipement, incidents, qualité, points en suspens. Idéal pour un premier essai : se répète chaque jour, le résultat est visible immédiatement.
• Synthèse hebdomadaire de TRS (taux de rendement synthétique) – export depuis le MES ou la SCADA -> analyse causale des trois principaux arrêts avec recommandations d’action.
• Réclamation fournisseur – description du défaut + passeport du produit -> brouillon de réclamation officielle dans le format requis.
• Recherche de pièce par spécification – description textuelle (« filetage interne 1/4" NPT, clapet anti-retour 3000 psi, pression d’ouverture 10 psi ») -> liste de fabricants, séries et références pour commande ultérieure. C’est probablement la tâche la plus sous-estimée : les ingénieurs de terrain notent qu’une seule recherche de ce type fait gagner 8 à 10 minutes, et à l’échelle d’un atelier, cela représente des centaines d’heures par an. Attention toutefois – voir la section sur les risques plus loin.
• Fiche de défauts – description verbale du contrôleur qualité + photographie -> enregistrement structuré pour la PFMEA.
• Réunion du lundi – données de production de la semaine écoulée -> ordre du jour avec chiffres clés et questions.
• Rapport d’investigation d’incident – faits collectés en vrac -> rapport structuré selon le formulaire standard.

Un test utile pour faire votre choix : la tâche doit se répéter au moins une fois par semaine et prendre plus de 20 minutes de travail mécanique. Cela signifie que l’amélioration sera perceptible en quelques jours.

Étape 2. Choisissez l’outil en tenant compte des exigences de sécurité

L’industrie, ce n’est pas un bureau. Ici s’appliquent des exigences de stockage de données, de conformité au RGPD, souvent un régime de secret commercial. Le choix de l’outil commence donc non par la fonctionnalité, mais par la question des données.

Pour la plupart des sites industriels européens, le bon choix est ChatGPT Teams ou Claude Enterprise – les deux offrent des garanties contractuelles que les données ne sont pas utilisées pour l’entraînement, avec une conformité RGPD documentée. Pour tester le concept, la version gratuite de ChatGPT ou Claude suffit amplement, avec des données anonymisées.

Et un argument pratique supplémentaire en faveur d’un outil prêt à l’emploi : ne construisez pas le vôtre. Selon les données du MIT, une solution sectorielle existante est rentable environ deux fois plus souvent qu’un développement interne – 67 % de déploiements réussis contre 33 % – et le retour sur investissement le plus élevé ne vient pas des projets spectaculaires, mais de l’automatisation ennuyeuse du back-office. C’est-à-dire exactement cette couche de papier.

Un cas à part : DeepSeek. Un modèle open-source que l’on peut exécuter via Ollama sur n’importe quel serveur de l’entreprise, même sans internet. Adapté aux sites à réseau totalement isolé. Notre analyse détaillée de DeepSeek vous aidera à évaluer les capacités du modèle sur des tâches de management.

Pour un comparatif plus large des outils disponibles, consultez notre guide comparatif des outils GenAI.

Étape 3. Rédigez votre premier prompt – sur l’exemple du rapport de quart

C’est la section la plus importante de cet article. Tout le reste, c’est du contexte. Ici, c’est ce que vous pouvez faire aujourd’hui.

Imaginez : fin de poste dans un atelier d’usinage. Le chef de poste Alexeï a dicté une note vocale dans son téléphone et griffonné quelques lignes dans un carnet. Voici ce qu’il a :

« Poste 2, 22 mai. Tour DMG CTX420 – arrêt de 09h30 à 11h00 pour remplacement de l’outil T3, usure prématurée. Perte de 12 pièces par rapport au plan. Centre d’usinage Haas VF-2 a fonctionné normalement toute la journée. Griffures détectées sur un lot de 40 arbres (numéros de série 2241–2280) – transmis au contrôle qualité, en attente de décision. Rendement – 87 % du plan. Le chef d’équipe Petrov signale des vibrations de broche sur le tour CNC Mazak QT-350, à vérifier demain. Tout normal, aucun incident de sécurité. »

Maintenant, le prompt pour ChatGPT ou Claude. Un bon prompt pour une tâche industrielle comporte cinq éléments : rôle de l’exécutant, contexte (spécificités de la production), tâche, format de sortie, contraintes. Et pour que le résultat soit identique d’une requête à l’autre, on ajoute un sixième – un court exemple montrant comment les notes brutes deviennent un rapport fini. Cette technique s’appelle le few-shot, « apprentissage par l’exemple » : le modèle voit un spécimen et maintient le format.

Cliquez sur « Exécuter » dans le bloc ci-dessus – le prompt sera traité directement ici par GPT-4.1 et DeepSeek, et vous comparerez les réponses. En sortie, un rapport structuré en quelques minutes au lieu de 30 à 40. L’exemple dans le prompt (le fameux few-shot) maintient le format : les deux modèles produisent la même structure, conservent les chiffres et reportent d’eux-mêmes les points en suspens dans la bonne section. Mais une règle reste inviolable : le résultat doit être relu. L’IA structure le texte, mais les faits et les chiffres restent sous votre responsabilité.

Voici ce qu’il faut vérifier dans le premier résultat :

• Tous les numéros d’équipement correspondent-ils à ceux des notes ?
• L’IA n’a-t-elle pas ajouté de « détails inexistants » dans la section qualité ?
• Le format correspond-il à ce qui est en usage dans l’entreprise ?

Le principe du prompt est le même que celui qui fonctionne sur les tâches de management en IT : rôle claire, contexte précis, format explicite. La différence ne tient qu’au contenu – au lieu d’un sprint et de Jira, ici c’est un poste et un parc machines.

La structure d’un prompt efficace est détaillée dans notre guide sur les bases de la construction des requêtes.

Étape 4. Surmontez la résistance sur le terrain

C’est ici que l’industrie diffère fondamentalement d’une entreprise IT. La résistance est d’une nature différente et exige d’autres réponses.

« L’IA va remplacer les ouvriers » – la crainte la plus répandue. Il est important de comprendre d’où elle vient : au cours des 30 dernières années, l’automatisation dans de nombreuses entreprises a effectivement signifié des suppressions de postes. La confiance envers les nouvelles technologies est limitée.

Ici, un cadrage plus précis aide. Comme le montre l’analyse de Benedict Evans sur la différence entre tâche et métier, l’IA ne « dévore » presque jamais un métier entier – elle prend en charge des tâches isolées. Les liftiers ont disparu, mais les comptables sont plusieurs fois plus nombreux qu’il y a un siècle, bien que les calculs soient automatisés depuis longtemps. Dans l’industrie, la même logique s’applique : l’IA prend la tâche de saisie de texte, pas le poste du chef de quart.

La réponse ici n’est pas la persuasion, mais la démonstration. Demandez au chef de poste d’essayer l’outil sur un seul rapport – ne lui racontez pas ce qui va se passer. Quand il constate que 40 minutes sont devenues 10, mais qu’il a quand même dû « réfléchir » lui-même – la réaction change. L’IA prend en charge la saisie, pas le jugement de production.

« Nos données sont confidentielles » – une préoccupation légitime, qui se résout par le choix de l’outil. ChatGPT Teams/Enterprise garantit contractuellement que les données ne sont pas utilisées pour l’entraînement. DeepSeek via Ollama n’envoie les données nulle part – serveur sur site, pas besoin d’internet.

« Nous n’avons pas de service informatique pour ça » – bonne nouvelle : pour la première étape, l’informatique n’est pas nécessaire. Un navigateur web, un compte ChatGPT ou Claude, un prompt. Rien de plus. L’informatique interviendra plus tard – quand les résultats auront prouvé la valeur et qu’il faudra intégrer avec l’ERP ou le MES.

« Nos gens ne s’adapteront pas » – fait intéressant, les données ne confirment pas cette crainte. BCG a constaté en 2025 que l’utilisation du GenAI parmi les employés de terrain plafonne à 51 % contre 78 % chez les managers. La cause principale : la qualité insuffisante de la formation, et non un manque de compétences. Ceux qui sont correctement formés maîtrisent l’outil.

De plus, au moins dans le travail de bureau, l’IA aide davantage les moins performants : dans l’étude de Harvard et BCG, les consultants de la moitié inférieure en termes de performance ont progressé de 43 % avec l’IA, contre seulement 17 % pour les meilleurs. Il s’agit d’une expérience menée avec des consultants de BCG, et non avec des chefs de poste industriels – on ne peut donc pas transposer le chiffre à la lettre. Mais la direction de l’effet mérite d’être retenue : la technologie égalise non pas en affaiblissant les meilleurs, mais en permettant à l’employé ordinaire de ne plus être le « maillon faible » dans le travail administratif.

Pour l’industrie, cela signifie une chose simple : l’outil apportera le plus non pas à la « star » de l’atelier, mais au chef de poste ordinaire qui ne se considère pas comme un expert technique. Et le même BCG estime que le succès du déploiement de l’IA en usine dépend à 70 % des personnes et des processus, à 20 % des données et de l’infrastructure, et seulement à 10 % des algorithmes eux-mêmes. La technologie est la part la plus faible de l’équation.

Recommandation pratique : commencez par un seul chef de poste en qui vous avez confiance et qui est un peu curieux des technologies. Ne lancez pas de projet d’entreprise, ne faites pas de formation obligatoire pour tous. Laissez une seule personne essayer pendant un mois – puis montrez ses résultats à ses collègues. La diffusion horizontale fonctionne mieux que la directive.

Et une particularité absente du monde des bureaux : en fonctionnement en 3x8, « une seule démonstration » ne se propage pas d’elle-même. Les équipes de quart ne se croisent pas physiquement – le poste de nuit ne voit pas ce qu’a montré le poste de jour. C’est pourquoi, dès que le pilote a prouvé sa valeur avec une seule personne, la démonstration doit être répétée au moins trois fois – une par équipe, de préférence en personne et non par messagerie. Sinon, l’équipe de nuit continuera à rédiger le rapport à la main, et vous vous étonnerez de constater que « l’outil est là, mais personne ne l’utilise ».

Cette même observation est confirmée par l’analyse de ce qui fait échouer les transformations par l’IA : les barrières organisationnelles et culturelles sont généralement plus importantes que les barrières techniques.

Ce qui se fait en une semaine et ce qui prend six mois

Une source de déception dans les premiers mois : l’impression que « tout est aussi simple ». Ce n’est pas le cas. Il est utile d’avoir sous les yeux une échelle honnête de l’effort requis :

L’erreur principale : promettre à la direction une « automatisation complète des rapports dans le trimestre » après une première semaine réussie sur la version web. Entre « une personne tape dans un navigateur » et « les rapports partent automatiquement dans l’ERP », il y a deux niveaux de complexité et de fait un tout autre projet.

Étape 5. Mesurez et déployez à plus grande échelle

Sans mesures, le déploiement reste une expérience. Avec des mesures, il devient un argument pour l’étape suivante.

Les métriques qui ont du sens dans l’industrie :

• Temps de préparation du rapport de quart (avant / après) – facile à mesurer, résultat évident
• Nombre de réclamations fournisseurs par mois (plus rapide à formaliser = plus envoyé = problème résolu plus vite)
• Délai entre l’incident et le rapport formalisé (mesure la vitesse du processus administratif)
• Évaluation subjective du chef de poste sur une échelle de 1 à 5 – plus simple qu’il n’y paraît, et suffisamment informative

Trois à quatre semaines après qu’une tâche fonctionne de manière stable, vous en prenez une deuxième. Une bonne progression pour l’industrie :

1. Rapport de quart (semaines 1–2 pour affiner le prompt)
2. Réclamation fournisseur ou fiche de défaut (semaines 3–4)
3. Synthèse hebdomadaire de TRS (mois 2)

À ce stade, il convient de réfléchir à la nécessité d’un dossier d’investissement pour le budget informatique – par exemple, pour l’intégration avec l’ERP via API. Trois cas d’usage fonctionnels avec des gains de temps mesurables constituent un argument suffisant pour cette discussion.

C’est ici que les choses deviennent vraiment intéressantes. L’effet caché n’est pas seulement le temps. Quand le chef de poste cesse de passer 40 minutes à taper du texte, il consacre ces 40 minutes à la tournée d’atelier ou à un échange avec le chef d’équipe. C’est un changement qualitatif qui ne se voit pas toujours dans les chiffres, mais qui se ressent sur le terrain.

Ce qui peut mal tourner

L’IA sur la couche de papier est un gain rapide, mais pas de la magie. Soyons honnêtes : selon différentes estimations, 40 à 90 % des investissements en IA des entreprises en 2025 n’ont pas produit de gain de productivité notable. L’argent est parti, l’effet n’est pas là. Presque toujours, la cause n’est pas la technologie, mais trois pièges à garder en tête dès le premier jour.

L’IA se trompe avec assurance. Même les bons modèles produisent une erreur factuelle dans 2 à 3 % des cas – et le font sur le même ton tranquille qu’une réponse correcte. Dans un chat, c’est tolérable. Dans un rapport de quart, un numéro de lot confondu ou un rendement surestimé, c’est déjà un problème. D’où la règle d’or de l’Étape 3 : le résultat est toujours relu par un humain. L’IA structure le texte, mais ne répond pas des chiffres – c’est toujours le chef de poste qui en est responsable.

C’est particulièrement critique pour la recherche de pièces. Sur des forums industriels, un cas parlant est décrit : sur la recommandation de l’IA, un fusible non-original a été commandé, et un séchoir a surchauffé de plus de cent degrés au-dessus de la limite de sécurité – seule la protection standard a évité l’incident. La règle est simple : l’IA trouve l’information, mais l’humain doit ouvrir le lien et vérifier les caractéristiques dans la fiche technique du produit. Si le lien ne permet pas de consulter la spécification – la réponse ne doit pas être fiée. Pour tout ce qui touche à la sécurité, c’est non négociable.

Le « pilote éternel ». La cause la plus fréquente d’échec du déploiement n’est pas l’échec de la technologie, mais le test sans fin, sans passage en exploitation. L’usine « essaie l’IA » depuis un an, mais aucune tâche ne fait partie de la routine quotidienne. La protection contre cela, c’est exactement la structure décrite plus haut : une tâche, un résultat mesurable en un mois, un modèle de prompt fixé par écrit. Le pilote doit avoir une date après laquelle il devient un processus ou s’arrête.

Et une pensée honnête à accepter à l’avance : l’IA ne répare pas un processus cassé – elle le met en lumière. Là où il n’y a pas d’ordre dans les données, pas de procédures, pas de travail standardisé, l’IA ne comble pas ces lacunes – elle les rend plus visibles. C’est exactement pour cette raison que la même étude du MIT associe l’échec massif des pilotes GenAI d’entreprise non pas à la technologie, mais aux fondations sur lesquelles on la pose. La conclusion pour l’industrie est simple : commencez par une tâche où l’ordre existe déjà – par exemple, le rapport de quart, et non le chaos des achats.

Trois scénarios d’échec typiques, utiles comme points de repère. Ce ne sont pas des histoires pour faire peur, mais des cas composites que l’on rencontre régulièrement :

• « Fermé au bout de deux semaines. » Le chef de poste a commencé à utiliser ChatGPT sans validation. À la troisième semaine, le SOC a repéré le trafic sortant vers le cloud et a demandé des explications. L’outil a été bloqué sur le périmètre, le responsable du pilote a été convoqué par le directeur de la sécurité. Après ça, plus de seconde tentative. Remède – Étape 0.
• « On a passé trois mois à écrire le cahier des charges. » L’usine a décidé de « faire les choses dans les règles » : cahier des charges, appel d’offres, développement sur mesure pour l’ERP, sélection du prestataire. Au moment où le prestataire a présenté le prototype, l’intérêt du commanditaire avait refroidi, le budget avait été réduit, le projet s’est arrêté en silence. Remède – commencer par un outil en ligne et une seule personne, pas par un projet.
• « Le savoir est parti avec la personne. » Un chef d’équipe passionné a constitué d’excellents prompts, économisait des heures chaque semaine – puis a quitté l’entreprise six mois plus tard. Les modèles n’ont été notés nulle part, son remplaçant repart de zéro. Remède – à la fin du premier mois, inscrire obligatoirement les prompts dans un document partagé avec un propriétaire et une date de révision.

Plus l’IA a de droits, plus le prix de l’erreur est élevé. Tant qu’il s’agit de texte, le risque est minimal : le pire qui puisse arriver, c’est un brouillon bancal que vous corrigerez. Mais dès que vous arriverez aux scénarios autonomes (l’IA envoie elle-même la réclamation, crée la demande dans l’ERP, modifie des données), traitez-la comme un stagiaire consciencieux mais inexpérimenté : limitez les droits, ne la laissez ni supprimer ni valider sans intervention humaine, vérifiez aux étapes critiques.

Checklist : les 30 premiers jours en production

Semaine 0 – validation (souvent oubliée, à tort) :

• Rédiger un courrier d’une page à la RSSI : quel outil, quelles données, qui l’utilise, pour quelle durée
• Obtenir un accord écrit du directeur du site
• Vérifier si les téléphones portables sont autorisés en zone de production – cela détermine le scénario de saisie

Semaine 1 – exploration :

• Choisir une tâche dans la « couche de papier » (idéal : le rapport de quart)
• Ouvrir ChatGPT ou Claude, créer un compte
• Rédiger le premier prompt selon le modèle de l’Étape 3
• Tester sur les données réelles d’un quart

Semaine 2 – affinage :

• Ajuster le prompt d’après les résultats du premier essai (généralement une ou deux corrections suffisent)
• Mesurer le temps : combien avant, combien maintenant
• Noter les observations : ce que l’IA fait bien, où une correction manuelle est nécessaire

Semaine 3 – élargissement :

• Montrer l’outil à deux ou trois collègues (sans obligation)
• Collecter leurs prompts et comparer les approches
• Si la tâche fonctionne – fixer le modèle de prompt par écrit

Semaine 4 – décision sur l’étape suivante :

• Évaluer le résultat : y a-t-il un gain de temps mesurable ?
• Choisir une deuxième tâche dans la liste
• Décider : faut-il en parler au service informatique pour une intégration ?

Selon les estimations, la « taxe cachée » d’inefficacité absorbe jusqu’à 40 % de l’économie potentielle de l’IA là où le déploiement est chaotique. La structure des 30 premiers jours est précisément la protection contre cet effet.

Les prompts pour les tâches industrielles suivent la même logique que pour la comparaison d’outils en général : ce qui compte n’est pas le modèle, mais la qualité de la formulation de la tâche.

Prochain horizon : du papier à l’équipement

Au début de cet article, nous avons mis de côté l’IA « lourde » – vision par ordinateur, maintenance prédictive, automatisation des lignes. C’est le prochain horizon, une fois la couche de papier maîtrisée. Le cas de Sachsenmilch en Allemagne en donne un bon aperçu à maturité : 4,6 millions de litres de lait par jour, production en 24/7. Le site a abandonné la maintenance selon un calendrier fixe au profit de la maintenance prédictive : le système analyse les vibrations et l’état des composants et prévient les pannes à l’avance. Une pompe remplacée à temps a permis d’économiser des centaines de milliers d’euros. « Nous nous orientons non pas sur le plan de maintenance, mais sur l’état réel de l’équipement », déclare le directeur technique du site.

Et l’IA générative travaille déjà aux côtés de l’IA « lourde ». Selon BCG, un assistant GenAI en atelier guide le réparateur dans la stratégie de dépannage – jusqu’aux pièces nécessaires et leur disponibilité en stock – et réduit la préparation à la réparation de plusieurs heures à quelques minutes. C’est toujours la même couche de papier, simplement rapprochée au plus près de la machine : l’IA ne serre pas les boulons, mais rassemble et structure instantanément le savoir sur ce qu’il faut réparer et comment.

C’est une autre classe de tâches : il faut des capteurs, de l’intégration, un budget et du temps. Mais la logique d’entrée est la même – commencer par une tâche où il y a beaucoup de données et un coût d’arrêt bien identifié. La seule différence, c’est que le chemin vers ce niveau est plus court pour ceux qui ont déjà habitué leur équipe à travailler avec l’IA sur des tâches textuelles simples. La couche de papier n’est pas seulement un gain rapide, c’est aussi un entraînement avant des déploiements plus ambitieux.

L’industrie diffère du bureau par le rythme, les conditions et la culture – mais pas par la nature de la « couche de papier » autour des opérations. Le chef de poste passe autant de temps en rapports que le chef de projet en points de suivi. L’IA fonctionne aussi bien dans les deux cas, pourvu que la tâche soit formulée clairement.

La chose la plus inattendue que j’entends de la part des responsables de production qui ont déjà essayé : la valeur principale, ce ne sont pas les minutes économisées. La valeur principale, c’est que le document est de qualité constante, que la personne soit fatiguée en fin de poste ou non.

Articles connexes

Managers et IA : les plus assidus – mais pas pour manager

Les 5 couches d'un agent IA : ce que tout manager doit savoir

Pourquoi les pilotes IA en usine meurent entre la démo et l'atelier

40 cas GigaChat de Sber : ce que dit vraiment notre benchmark